| 摘要 | 第6-7页 |
| 1 绪论 | 第7-10页 |
| 1.1 课题研究背景 | 第7页 |
| 1.2 研究现状 | 第7-9页 |
| 1.3 本文研究的内容及意义 | 第9-10页 |
| 2 NIR分析的知识基础 | 第10-16页 |
| 2.1 NIR分析的背景知识 | 第10-11页 |
| 2.2 近红外光谱吸收的产生 | 第11页 |
| 2.3 近红外光谱分析的一般流程 | 第11-12页 |
| 2.4 近红外光谱预处理方法 | 第12-13页 |
| 2.4.1 传统光谱预处理方法 | 第12-13页 |
| 2.4.2 小波变换预处理 | 第13页 |
| 2.5 近红外光谱定量分析方法 | 第13-15页 |
| 2.5.1 传统光谱定量分析方法 | 第13-15页 |
| 2.5.2 人工神经网络(ANN)法 | 第15页 |
| 2.6 近红外光谱分析技术的特点 | 第15-16页 |
| 3 小波变换及人工神经网络的理论基础 | 第16-23页 |
| 3.1 小波变换理论 | 第16-19页 |
| 3.1.1 小波变换的发展历程 | 第16-17页 |
| 3.1.2 小波变换的优点 | 第17页 |
| 3.1.3 小波变换的基本原理与常用算法 | 第17-19页 |
| 3.2 人工神经网络理论 | 第19-23页 |
| 3.2.1 神经网络的原理 | 第19-20页 |
| 3.2.2 神经网络的常见模型 | 第20页 |
| 3.2.3 BP神经网络 | 第20-22页 |
| 3.2.4 RBF神经网络 | 第22-23页 |
| 4 小波和神经网络在近红外光谱反演模型中的应用 | 第23-37页 |
| 4.1 运用小波变换对土壤光谱数据进行预处理 | 第23-29页 |
| 4.1.1 土壤样品采集及光谱测定 | 第23-24页 |
| 4.1.2 光谱数据预处理 | 第24-29页 |
| 4.2 基于BP神经网络的土壤水分含量光谱反演模型 | 第29-33页 |
| 4.2.1 模型的校验方法 | 第29页 |
| 4.2.2 网络层数的确定 | 第29页 |
| 4.2.3 ANN节点的传递函数 | 第29页 |
| 4.2.4 各层节点数目的确定 | 第29-30页 |
| 4.2.5 训练方法及参数选择 | 第30-31页 |
| 4.2.6 模型的校验 | 第31-33页 |
| 4.3 基于RBF神经网络的土壤水分含量光谱反演模型 | 第33-35页 |
| 4.3.1 网络参数的影响及选取 | 第33-34页 |
| 4.3.2 模型的校验 | 第34-35页 |
| 4.4 小结 | 第35-37页 |
| 5 总结与展望 | 第37-39页 |
| 5.1 总结 | 第37页 |
| 5.2 论文不足之处及展望 | 第37-39页 |
| 参考文献 | 第39-42页 |
| Abstract | 第42页 |
| 致谢 | 第44页 |